基于神经网络的高锰钢钻削温度和钻削力预测研究

陈桂华，张群威

(漯河职业技术学院，河南 漯河 462002)

0 前 言

国内的轨道交通建设成为方便国民的重要内容，并且建设的质量要求愈来愈高[1-3]。高锰钢作为硬度较高合金在铁轨建设过程中有着重要的作用，但就其在进行加工前需要采取适当大小的钻削力以及钻削温度，因此，需要对此进行实验预测以减少失误的产生[4-6]。而且钻削加工表现的物理现象中，钻削轴向力和扭矩是最稳定、可重复性强而又简单易测的物理量[7-9]。钻削力作为反映切削过程的一个重要指标，直接决定着切削热的产生并影响刀具磨损、破损、使用寿命、加工精度和加工表面质量。鉴于我国现阶段对于高锰钢钻削力以及钻削温度的预测都存在一定的问题，限制了高锰钢钻削工艺的更好发展。因此，需要采取更为精准的预测方法进行预测高锰钢的钻削力以及钻削温度，成为诸多学者研论的热点问题[10]。

目前，对于高锰钢钻削力以及钻削温度的预测的文献很多，有着一定的借鉴价值。根据实验数据进行整理，采取人工神经网络建立预测模型，以刀具直径、进给量、切削速度作为输入量，得出相应钻削力[8-9]。该方法依据实验数据出发,可行度高，但对于模型参数的预测存在一定的偏差，未找出其最优参数。根据粒子群算法对于静态神经网络的参数寻优，根据预测与预报中的误差相比较得出静态网络的阙值建立模型，该方法根据粒子群算法精确度更高，但缺乏相对应的实验数据作为支撑[10]。依据上述问题，提出一种基于神经网络的高锰钢钻削温度和钻削力预测方法。实验仿真证明，该模型精度高，为高锰钢的钻削机理研究提供新的手段和依据。

1 预测原理

1)首先针对实验数据中高锰钢的刀具直径、进给量、切削速度进行归一化数据处理，得出该3项指标对高锰钢钻温度和钻削力预测影响大小。x1表示刀具直径；x2表示进给量；x3表示切削速度；y表示归一化处理后的数据结果。

(1)

(2)

(3)

其中根据y值结果进行对比得出，对于高锰钢的影响力较大的因素。

2) 其次，计算出高锰钢钻削温度及钻削力的最优解。运用粒子群的速度与位置不断进行接近最优解的值。将数据引入式(4)。

(4)

式中,F表示最优解的适中值；y1表示实验数据中的观测值；t1表示实验数据的预测值；b表示影响钻削力变化主要因素集合；s表示因素种类。根据数据计算对比得出最优解。

2 优化预测

2.1 最优网络参数的提取

在高锰钢钻削温度和钻削力预测过程中，利用神经网络选取影响高锰钢钻削温度和钻削力变化有多种因素，将该因素定义为预测的辅助变量，在此基础上进行数据预处理，计算数据样本间的相似度，对辅助变量进行归一化处理，利用PSO优化神经网络的初始参数，建立基于神经网络的高锰钢钻削温度和钻削力预测模型。

(5)

(6)

(7)

(8)

根据PSO算法的原始神经网络参数数据为基础，以粒子群的适应度作为实例数据中的均方根误差，权值与阙值的个数代表着粒子初始位置的方位，个数的计算公式为(M+1)×q+(q+1)×L，范围区间在[-1,1]，粒子的初始速度与位置的范围区间在[-1,1]，实验次数为50次，粒子的数量为30。则可列出粒子的运动速度与位置公式为：

vt+1=wvt+c1r1(Xbestin-xt)+c2r2(Xbestgn-xt)

(9)

xt+1=x1+vt+1

(10)

式(9)中vt、Xbestin、Xbestgn分别代表粒子的当下速度、当下参数的最优值、粒子群的最优值。经过实验次数的增加，粒子的寻优能力增强，粒子权重逐渐变少。用公式表示为：

(11)

式(11)中wmax、wmin、N、n分别代表着权重的最大与最小值，最高次的实验次数、当前实验次数。而后采取更换系数法帮助粒子群寻求最优参数值，引用两位系数b1、b2进行求取：

(12)

b2=4-b1

(13)

从而得出静态网络参数的最优值。

2.2 建立基于神经网络的预测模型

在基于神经网络的高锰钢钻削温度和钻削力预测的模型结构中，将钻削温度和钻削的最大允许误差和实际值作为神经网络网络的输入和输出，设定网络的阈值和学习速率，在此基础上完成高锰钢钻削温度和钻削力预测。

以钻削温度和钻削的最大允许误差和实际值作为神经网络网络的输入层和输出层。钻削温度和钻削力的最大允许误差作为输入层，带入模型计算，其公式表示为：

yi=f{Σjwlixj-θi}=f{neti}

(14)

式(14)中，yi表示隐层节点；wij表示输入层节点与隐层节点的网络权值；neti表示输出层的期望输出。则输出层节点的输出可用公式表示为：

ol=f{ΣjTliyi-θi}=f{neti}

(15)

式(15)中，ol表示输出层的节点，tli表示隐层节点与输出节点间的网络权值。

3 实验仿真

为证明所提出的基于神经网络的高锰钢钻削温度和钻削力预测的整体优越性，需要进行实验。实验采用美国HAAS VF5立铣加工中心。刀具为标准硬质合金(YG8)镶焊麻花钻。钻头直径分别为10，13，15，19 mm。测试系统：PCI-9118DG/L数据采集卡、计算机、YE5850电荷放大器、YDZ-Ⅱ01W压电钻削测力仪。实验参数如表1所述，实验采用IntelCorei5-2430M 2.4 GHz的处理器，在Matlab7.0环境下搭建高锰钢钻削温度和钻削力预测实验仿真环境。

表1 实验样本数据

3.1 评价指标的确立

为了有效的证明基于神经网络的高锰钢钻削温度和钻削力预测性能，将实验分为两个不同的阶段，在实验的第1个阶段，将高锰钢钻温度与钻削力预测误差做为主观评价指标定义基于神经网络进行高锰钢钻削温度和钻削力预测的整体优越性。在实验的第2个阶段，为了彰显实验的全面性，将文献[8]中的权值对比方法作为客观评价指标共同分析对比，将预测响应性做为客观评价指标，定义不同方法进行高锰钢钻削温度和钻削力预测整体性能。

经过主客观评价指标的实验进行性能检验,进行验证网络模型的预测精度,检验的方法就是选取验证样本集合,将其提供给网络,以便检验网络模型的准确度。利用公式(16)进行误差的计算。

(16)

式(16)中，dij、tij分别表示预测数据、原始数据。在程序界面中输入检测数据,同时数据通过内部程序进行归一化处理,便得到本网络的误差为0.334 9%，精确度较高。

3.2 预测误差对比

利用本文方法进行高锰钢钻削温度和钻削力预测实验，验证本文方法进行高锰钢钻削温度和钻削力预测的误差，验证结果见图1。

图1 高锰钢钻削温度和钻削力预测的误差

从图1的实验结果中可以说明，利用本文方法进行高锰钢钻削温度和钻削力预测的误差始终控制在最小的范围内，这是因为本文方法利用神经网络选取影响高锰钢钻削温度和钻削力变化的多种因素，将该因素定义为预测的辅助变量，在此基础上进行数据预处理，计算数据样本间的相似度，对辅助变量进行归一化处理，建立基于神经网络的高锰钢钻削温度和钻削力预测模型，进而充分满足了高锰钢钻削温度和钻削力预测对其精度的需求。

3.3 预测响应性对比

分别利用本文方法和文献[8]中的权值对比方法进行高锰钢钻削温度和钻削力预测，对比不同方法进行高锰钢钻削温度和钻削力预测响应性，对比结果见图2。

图2 不同方法进行高锰钢钻削温度和

从图2的实验仿真结果中可以说明，利用本文方法进行高锰钢钻削温度和钻削力预测的响应性要高于文献[8]中的权值对比方法，这是因为采用本文方法进行高锰钢钻削温度和钻削力预测时，利用PSO优化神经网络的初始参数，将钻削温度和钻削的最大允许误差和实际值作为神经网络网络的输入和输出，设定网络的阈值和学习速率，在此基础上完成高锰钢钻削温度和钻削力预测，进而保障了本文方法进行高锰钢钻削温度和钻削力预测整体优越性。

4 结 语

针对国内大多数的预测方法无法对实时的高锰钢钻削温度和钻削力进行预测，存在钻削温度和钻削力预测误差大的问题。为此，提出一种基于神经网络的高锰钢钻削温度和钻削力预测方法，可较为精确预测钻削温度和钻削力。